![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于MCQRDDC的负荷概率预测模型_丁美荣.pdf
《基于MCQRDDC的负荷概率预测模型_丁美荣.pdf》由会员分享,可在线阅读,更多相关《基于MCQRDDC的负荷概率预测模型_丁美荣.pdf(7页珍藏版)》请在咨信网上搜索。
1、基于 MCQRDDC 的负荷概率预测模型丁美荣1,张航1,2,蔡高琰2,李宇轩1,温兴1,严彬彬1,曾碧卿11(华南师范大学软件学院,佛山528225)2(广东浩迪创新科技有限公司,佛山528299)通信作者:张航,E-mail:摘要:针对具有约束性的复合分位数回归网络(monotonecompositequantileregressionneuralnetwork,MCQRNN)无法较好地分析负荷数据之中的时序信息和内在规律的问题,本研究融合 MCQRNN 以及膨胀因果卷积网络(dilatedcausalconvolutionalnetworks,DCC),提出了一种新的分位数回归模型 MC
2、QRDCC(monotonecompositequantileregressiondilatedcausalconvolutionalnetworks),该模型将输入划分为分位点输入与非约束输入,使该模型的输出随分位点的增大而增大,以此解决分位数交叉的问题.同时,使用 DCC 的结构,使该模型充分地分析负荷数据之中的序列信息,使得预测结果更加符合真实负荷的变化趋势.此外,MCQRNN 使用指数函数对约束权重矩阵和隐藏层权重进行转化,会影响反向传播时权重的调整,本研究使用 ReLU 函数代替指数函数可以解决这个问题,以此提高预测的精度.使用真实的负荷数据进行实验,实验结果表明,MCQRDCC 能
3、有效地提高预测精度,相较于MCQRNN,其平均 Pinball 损失和 CWC 分别下降 2.11%和 9.31%,AIS 提升了 10.51%.关键词:负荷概率预测;分位数回归;分位数交叉;膨胀因果卷积网络;MCQRNN引用格式:丁美荣,张航,蔡高琰,李宇轩,温兴,严彬彬,曾碧卿.基于 MCQRDDC 的负荷概率预测模型.计算机系统应用,2023,32(2):281287.http:/www.c-s- Load Forecasting Model Based on MCQRDDCDINGMei-Rong1,ZHANGHang1,2,CAIGao-Yan2,LIYu-Xuan1,WENXing
4、1,YANBin-Bin1,ZENGBi-Qing11(SchoolofSoftware,SouthChinaNormalUniversity,Foshan528225,China)2(HodiTechnologyCo.Ltd.,Foshan528299,China)Abstract:Monotonecompositequantileregressionneuralnetwork(MCQRNN)cannotanalyzethetimeseriesinformationandinternallawsinloaddatawell.Inordertoaddressthisissue,thisstud
5、ycombinesMCQRNNanddilatedcausalconvolutionalnetworks(DCC)andproposesanewquantileregressionmodelnamed,MCQRDCC.Thismodeldividestheinputintoquantileinputandunconstrainedinputtomaketheoutputofthemodelincreasewiththeincreaseinquantile,soastosolvetheproblemofquantilecrossing.Atthesametime,theDCCstructurei
6、susedtohelpthemodelfullyanalyzethesequenceinformationintheloaddataandmakethepredictionresultsmoreinlinewiththechangingtrendoftherealload.Inaddition,MCQRNNutilizestheexponentialfunctiontotransformtheconstraintweightmatrixandthehiddenlayerweight,whichwillaffecttheweightadjustmentduringbackpropagation.
7、Inthisstudy,theReLUfunctionisusedinsteadoftheexponentialfunctiontosolvethisproblemandimprovethepredictionaccuracy,andrealloaddataisadoptedforexperiments.TheexperimentalresultsshowthatMCQRDCCcaneffectivelyimprovepredictionaccuracy.ComparedwiththoseofMCQRNN,theaveragePinballlossandCWCofMCQRDCCaredecre
8、asedby2.11%and9.31%,respectively,andAISisincreasedby10.51%.Key words:probabilisticloadforecasting;quantileregression;quantilecrossover;dilatedcausalconvolutionalnetworks(DCC);monotonecompositequantileregressionneuralnetwork(MCQRNN)计算机系统应用ISSN1003-3254,CODENCSAOBNE-mail:ComputerSystems&Applications,2
9、023,32(2):281287doi:10.15888/ki.csa.008941http:/www.c-s-中国科学院软件研究所版权所有.Tel:+86-10-62661041收稿时间:2022-06-22;修改时间:2022-07-25;采用时间:2022-08-15;csa 在线出版时间:2022-10-28CNKI 网络首发时间:2022-11-16SoftwareTechniqueAlgorithm软件技术算法281电力负荷预测是依据历史负荷信息以及相应的外部影响因素(如当地的天气状况和温度等),对未来一段时间内负荷需求进行预判13,其对维持智能电网经济、安全以及稳定运行具有重大意
10、义4,5.近年来,伴随着“碳中和”的全面推进以及智能电网的全面建设,分布式电网逐渐在各地开始部署,各种清洁能源(风能、光伏)也开始以微电网的方式接入电网之中6,这极大地提高了负荷的不确定性.由于确定性预测的方法难以分析和处理这种不确定性,而概率负荷预测能够捕获更多关于未来负荷不确定的信息,可以帮助决策层更全面地分析电力系统中潜在的风险7,8,所以概率预测成为现今研究的热点领域5.目前,负荷概率预测大致可以分为区间预测9、概率密度预测10和分位数预测5,7,8.如 Li 等人9提出一种基于 ForecastNet 的区间预测模型;Afrasiabi 等人10提出了一种基于深度混合网络直接预测负荷
11、的概率密度函数.但是不论原始分布是何种类型,分位数回归皆能解释随机变量之间的关系5,11,因此备受关注.如Yang 等人11为有效地分析负荷之中的不确定性,提出了一种联合高斯过程的分位数回归方法.因为分位数回归是基于线性回归的,难以直接分析具有非线性和较强复杂性的数据,为了提高模型的非线性映射能力,研究者们开始将机器学习与分位数回归相结合.如 He 等人12为提高模型的非线性映射能力,提出了一种基于支持向量机的分位数回归模型;He 等人13提出了一种基于变分模态分解(variationalmodaldecomposition,VMD)分解的分位数回归树模型;Lin 等人14将深度学习与分位数回
12、归相结合,提出了一种基于双阶段注意力机制长短时记忆网络(longandshort-termmemorynetwork,LSTM)分位数回归模型用于负荷概率预测.尽管基于机器学习和分位数回归的预测模型在解决非线性映射问题方面具备显著的优越性,但上述模型也都存在一个比较明显的亟待解决的问题,即分位数交叉问题,当样本空间有限时,会存在不同分位点下的回归曲线交叉的现象,这违背了分位数回归的基本原理,即随着分位点增大,其相应的回归值就越大15.为解决这个问题,Chen 等人16利用时间卷积网络(temporalconvolutionalnetwork,TCN)同时对所有的分位点进行估计,并构造了一种新的
13、损失函数来防止分位数交叉,这在一定程度上可以缓解分位数交叉,但是无法从根本上解决这个问题;Huang 等人17是首先使用卷积神经网络(convolutionalneuralnetwork,CNN)进行确定性负荷预测,然后使用线性规划的方式进行分位数预测,并将分位数交叉的问题作为线性规划的约束.这种方式可以很好地解决分位数交叉的问题,但是随着训练数据的增加,线性规划的约束也会增加,导致线性规划的规模逐渐增大,从而使得该线性规划问题难以解决;Cannon18提出了一种具有单调性的神经网络 MCQRNN,其利用单调性可以保证高分位点的回归值一定大于低分位点的回归值,既保证了问题的可解性,也解决了分位
14、数交叉问题,但是 MCQRNN 是基于多层感知机,无法进一步地分析负荷中的序列信息和其内在规律性.为了解决上述问题,本研究融合了可以提取时序信息的因果卷积网络以及 MCQRNN,提出了一种既可以防止分位数交叉,又能充分分析数据之中的时序信息的分位数回归网络,即具有约束性的复合膨胀因果卷积网络(MCQRDCC).为了验证 MCQRDCC 的有效性,本研究选取了德国巴登符腾堡州的真实负荷数据进行了实验,实验结果表明 MCQRDCC 不仅仅能有效地防止分位数交叉,还能充分分析负荷之中的时序信息和内在规律,准确地预测负荷变化的趋势,提高负荷概率预测的精度.1理论基础 1.1 膨胀因果卷积网络因果卷积网
15、络(causalconvolutionalnetworks,CCN)是一种用于时序分析的卷积网络19,20,它相较于LSTM 等循环神经网络,CCN 没有循环机制,能够并行运行,所以它具备较快的训练速度20.CCN 中的各层之间存在因果关系,即当前层第 i 个神经元的值(Fi)只与上一层第 i 个神经元之前的值(xij)存在联系19,20,其公式如式(1)所示:Fi=K1j=0Wk jxij(1)其中,K 为卷积核的大小,Wk为卷积核的权重矩阵.然而,当输入的时序长度过长时,需要堆叠多层网络来扩大神经网络的感受野,但这会导致网络过深而难以训练的问题.为解决上述问题,膨胀因果卷积引入膨胀机制来扩
16、大每一层网络的感受野,以此减少网络的深度19,20,其公式如式(2)所示:计 算 机 系 统 应 用http:/www.c-s-2023年第32卷第2期282软件技术算法SoftwareTechniqueAlgorithmFi=K1j=0Wk jxijd(2)其中,d 为膨胀因子.1.2 分位数回归分位数回归即分析输入变量与预测值的条件分位数之间的关系,分位数线性回归的模型如式(3)所示:Y=X()(3)其中,为分位点(01),Y为 分位点下的预测回归值,X 是输入变量,表示影响预测值的各种因素()为参数向量5,该向量的求解可转化为如下优化问题5:min(Y X()(4)其中,(x)=max(
17、x,(1)x)(5)1.3 MCQRNNMCQRNN 是由 Cannon18融合 MMLP(monotonemulti-layerperceptron)21和 CQRNN(compositequantileregressionneuralnetwork)22提出的一种用于防止分位数交叉的神经网络15,18.MCQRNN 将输入分为约束输入与非约束输入,当非约束输入不变,约束输入增大时,其输出随之增大,其输入层的输出公式如式(6)所示:h=f(xmexp(Wm)+xuWu+bi)(6)其中,h 代表输入层的输出,f()代表非递减的激活函数,xm和 xu分别代表约束输入与非约束输入,Wm和 Wu分
18、别代表约束权重与非约束权重,bi为输入层偏置.其输出层的输出公式如式(7)所示:y=f(hexp(Wh)+bh)(7)y其中,代表预测值,Wh代表隐藏层权重,bh为隐藏层偏置.从式(6)和式(7)可以发现,当将 xm设为逐渐变大的分位点,且 xu、权重和偏置不变时,就可以解决分位数交叉的问题.为了使权重和偏置不变,MCQRNN引入了 CQRNN 的概念18,22,即用同一个网络来预测不同分位点下的回归值,其 loss 函数如式(8)所示:loss=1QNQq=1Nt=1q(yt yqt)(8)qqQ+1yt yqtq其中,Q 代表分位点的数目,N 代表训练集的规模,代表不同的分位点,为(q=1
19、,2,),与分别表示t 时刻的真实值以及下的预测回归值.1.4 MCQRDCC原始的 MCQRNN 是基于全连接神经网络的,其无法较好地分析电力负荷中内部的周期性以及时序性.为解决上述问题,本研究将 MCQRNN 与 DCC 相结合,提出一种既能解决分位数交叉又能充分地分析和处理电力负荷中的时序信息的分位数回归网络 MCQRDCC(如图 1 所示).非约束输入约束输入输入层隐藏层d=2隐藏层d=4输出层图 1MCQRDCC 模型此外,原始的 MCQRNN 使用指数函数对 MCQRNN中的约束权重矩阵进行转化,如图 2 所示,当原始权重大于 0 时,较大的梯度只会使得该权重进行微小的变化,当原始
20、权重小于 0 时,细小的梯度变化可能引起原始权重较大的改变,会极大地影响训练的质量.为解决这一点,本研究使用 ReLU 函数代替指数函数,并使得初始权重大于 0,这样既可以解决上述问题,也可以使小于 0的权重自动失活,以防止过拟合,提高模型的泛化能力.0123456780.51.52.51.52.20.5dydxdxdy图 2指数函数MCQRDCC 的输入层公式如式(9)所示:H(2)i=f(xmReLU(Wm)+K1j=0Wk jxu(ijd)(9)H(l)i其中,表示第 l 层第 i 个神经元的值.其隐藏层的公式如式(10)所示:H(l+1)i=fK1j=0ReLU(Wk j)H(l)ij
21、d(10)2023年第32卷第2期http:/www.c-s-计 算 机 系 统 应 用SoftwareTechniqueAlgorithm软件技术算法2832实验数据以及评价指标 2.1 实验数据本研究选取的数据集来自于德国的巴登符腾堡州,为全州 2019 年全年的负荷数据,其采样间隔为 15min,即一天 96 个时序点.因为负荷数据具有较强的日周期性(图 3),本研究选择前一日的数据,即预测点前的96 个数据作为输入.本研究选取最后一月的数据作为测试集,其余作为训练集.采样点10 5009 5008 5007 5006 5005 5004 5003 50015 001 10 001 15
22、 001 20 001 25 001 30 001 35 001负荷(MW)图 3巴登符腾堡州负荷曲线 2.2 评价指标本研究选取平均 Pinball(averagePinball,APinball)损失(式(8),区间覆盖率(PIcoverageprobability,PICP),区间归一化平均宽度(PInormalizedaveragedwidth,PINAW)作为评价指标.除此之外,为了综合评价覆盖率以及预测区间的宽度,本研究还选取 CWC(coveragewidth-basedcriterion)以及平均区间分数(averageintervalscore,AIS),除 PICP 与 A
23、IS 以外,其他所有指标越小说明模型精度越高.其公式如式(11)所示:PICP()=1NNi=1ci(11)其中,ci=1,yi Liand yi Ui0,others(12)其中,代表置信度,本研究中 为 90%,N 表示样本数,yi表示第 i 个真实值,Li和 Ui分别表示第 i 个下界和上界.PINAW()=1NTNi=1(UiLi)(13)其中,T 为 y 中最大值与最小值的差值.CWC()=PINAW(1+e(PICP)(14)其中,=1,PICP 时,CWC 的值与 PINAW 相同.AIS()=1NNi=1ISi()(16)其中,ISi()=2(UiLi)4(Liyi),ifyi
24、 Ui2(UiLi),others(17)3实验结果 3.1 对比模型为了验证本研究提出的 MCQRDCC 模型的性能,除了选取 MCQRNN15作为对比模型以外,本研究还选取如下算法作为对比模型.(1)基于 Huber 函数的 TCN 概率预测方法(HTCN)23,该方法将分位数回归与 TCN 相结合,提出一种基于TCN 的分位数回归网络,并使用 Huber 近似优化损失函数,使得损失函数可导,该方法针对每一个分位数都建立一个模型进行预测.(2)基于 LSTM 的概率预测模型(QLSTM)24,该模型将分位数回归与 LSTM 相结合,该模型同时预测所有分位点的回归值,所以只需要创建一个模型即
25、可.除上述外,为了进一步探究本研究改进模型的优越性,本研究还进行了如下对照试验.(1)MCQRNN-ReLU,使用 ReLU 函数代替指数函数对约束矩阵和隐藏层权重矩阵进行处理,其余与 MCQRNN一致.(2)MCQRDCC-exp,使用指数函数对约束矩阵和隐藏层权重矩阵进行处理,其余与 MCQRDCC 一致.3.2 实验环境与参数设置本研究全部实验是采用 Python3.9 完成的,深度学习框架是 TensorFlow2.9,实验硬件平台使用 IntelCorei5-11260HCPU,采用 NVIDIAGeForceGTX3060进行加速.经过参数优化,各个模型的超参数设置如下.HTCN
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 MCQRDDC 负荷 概率 预测 模型 丁美荣
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。